📚 课程目录第3章因子计算与标准化

3. 因子计算与标准化

因子计算与标准化是量化因子研究流程中的核心环节。原始因子数据通常包含极端值、量纲差异和行业/市值干扰，必须经过系统化处理才能用于后续的因子有效性检验和组合构建。本章将详细讲解因子计算公式、去极值、标准化和中性化处理的标准流程。

3.1 因子计算公式

因子计算是将原始市场数据（价格、成交量、财务指标等）转化为具有预测能力的数值信号的过程。常见的因子计算公式可分为以下几类：

因子类别	典型公式	参数说明
动量因子	`Momentum = (P_t / P_t-n) - 1`	P_t为当日收盘价，n为回溯期（如20日）
反转因子	`Reversal = (P_t-1 / P_t-21) - 1`	使用过去1日与21日均价之比
波动率因子	`Volatility = std(return_t-20:t-1)`	过去20日收益率的标准差
价值因子	`BP = BookValue / MarketCap`	账面市值比，需使用最新财报数据
质量因子	`ROE = NetIncome / Equity`	净资产收益率，反映盈利能力

实战要点：因子计算时需注意数据对齐——财务数据应使用最新披露的季报/年报，价格数据需考虑复权处理（前复权或后复权），避免因分红送股导致的价格跳跃影响因子值。

3.2 去极值处理

原始因子数据中常包含极端异常值，这些值可能由数据错误、特殊事件或市场极端波动引起。若不处理，会严重扭曲后续标准化和回归分析的结果。常用的去极值方法有两种：

3.2.1 MAD（中位数绝对偏差）法

MAD法基于中位数和绝对偏差，对异常值具有较好的鲁棒性。处理步骤如下：

计算因子序列的中位数 median
计算每个因子值与中位数的绝对偏差 |x_i - median|
计算绝对偏差的中位数 MAD = median(|x_i - median|)
设定阈值 n（通常取3~5），将超出 median ± n × MAD 的值替换为边界值

import numpy as np

def mad_winsorize(factor, n=5):
    median = np.median(factor)
    mad = np.median(np.abs(factor - median))
    upper = median + n * mad
    lower = median - n * mad
    return np.clip(factor, lower, upper)

3.2.2 百分位法

百分位法直接根据数据分布的分位数设定上下限，操作简单直观：

def percentile_winsorize(factor, lower_pct=0.01, upper_pct=0.99):
    lower = np.percentile(factor, lower_pct * 100)
    upper = np.percentile(factor, upper_pct * 100)
    return np.clip(factor, lower, upper)

方法	优点	缺点	适用场景
MAD法	对极端值不敏感，鲁棒性强	计算稍复杂，需选择n值	因子分布偏态严重时
百分位法	简单直观，易于解释	可能剔除过多正常值	因子分布较对称时

常见误区：去极值不等于删除数据。正确的做法是使用“截尾（Winsorize）”将极端值替换为边界值，而非直接删除样本点，否则会破坏截面数据的完整性，导致后续分析产生偏差。

3.3 标准化处理

标准化旨在消除不同因子之间的量纲差异，使因子值具有可比性。常用的标准化方法包括Z-score和Rank标准化。

3.3.1 Z-score标准化

Z-score将因子转换为均值为0、标准差为1的标准正态分布：

def zscore_normalize(factor):
    mean = np.mean(factor)
    std = np.std(factor)
    return (factor - mean) / std

Z-score的优点是保留了因子值的相对距离信息，但要求因子分布接近正态分布，且对异常值敏感。因此，Z-score标准化前必须先进行去极值处理。

3.3.2 Rank标准化

Rank标准化将因子值转换为排序后的百分位数，最终映射到[0,1]或[-1,1]区间：

def rank_normalize(factor):
    rank = factor.rank()
    return (rank - 1) / (len(rank) - 1)  # 映射到[0,1]

Rank标准化的优势在于：

对异常值不敏感，无需预先去极值
适用于任何分布形态的数据
保留了因子间的排序关系

  方法对比：Z-score适合因子值本身具有实际意义、分布较对称的场景（如估值类因子）；Rank标准化更适合因子值仅需排序信息、分布不确定的场景（如情绪类因子）。在实际多因子模型中，Rank标准化更为常用。

3.4 中性化处理

中性化处理旨在剔除因子中与行业、市值等系统性变量相关的部分，提取因子特有的选股能力。最常用的方法是回归残差法：

以因子值为因变量，行业虚拟变量和市值（或市值对数）为自变量，建立线性回归模型
提取回归残差作为中性化后的因子值

import statsmodels.api as sm

def neutralize_factor(factor, industry_dummies, market_cap):
    # 构建自变量矩阵：行业哑变量 + 市值对数
    X = pd.concat([industry_dummies, np.log(market_cap)], axis=1)
    X = sm.add_constant(X)
    # 回归并提取残差
    model = sm.OLS(factor, X).fit()
    return model.resid

中性化要点：

行业中性化：使用申万一级或二级行业分类，每个股票属于且仅属于一个行业
市值中性化：通常使用市值对数而非原始市值，以降低市值分布的偏态影响
中性化应在截面（横截面）上进行，即每个时间点独立处理

3.5 完整处理流程

下图展示了因子计算与标准化的完整处理流程：

3.6 处理顺序与注意事项

因子处理的顺序至关重要，错误的顺序会导致结果失真。推荐的处理顺序为：

步骤	操作	说明
1	因子计算	根据公式计算原始因子值
2	去极值	使用MAD或百分位法处理极端值
3	标准化	Z-score或Rank标准化，消除量纲
4	中性化	回归残差法剔除行业/市值影响

顺序陷阱：若先中性化再去极值，极端值会通过回归模型影响中性化系数，导致中性化效果变差。若先标准化再去极值，标准化后的均值和标准差会被极端值扭曲。因此，去极值 → 标准化 → 中性化是标准且不可颠倒的顺序。

完成上述全部处理后，得到的因子值即为可用于后续有效性检验和组合构建的标准化因子。该因子值在不同股票之间具有可比性，且剔除了行业和市值的系统性影响，能够更纯粹地反映因子本身的选股能力。